英伟达
Senior DGX Cloud AI Infrastructure Software Engineer
Senior DGX Cloud AI Infrastructure Software Engineer
发布于 1 小时前普通员工/个人贡献者
全职员工仅现场办公云计算
云计算
Ai基础设施
Llm/Genai
Pytorch/Tensorflow
分布式系统
根因分析
系统架构
值不值得投
83综合评分
综合评分 83
顶尖外企AI基建核心岗、技术栈前沿、成长空间广阔，但隐性工作压力需做好心理准备
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。
薪资怎么样
8.0万
比云计算中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 330 个在招
市场机会
选择适中
上海 · 云计算 · 44 个在招
职位详情
关于这个职位
本职位主要负责设计、构建与维护支撑大规模AI训练与推理的底层基础设施软件及工具，持续优化系统效率与韧性
通过全链路故障排查、可观测性平台监控及API集成，保障AI平台的高可用性与稳定性，为科研人员提供高效可靠的算力环境
最低要求
计算机科学或相关技术领域的学士及以上学位（或同等工作经验）
至少8年大规模AI系统软件基础设施开发经验
具备强大的调试技能，能够从应用层到硬件层分析并分级处理AI应用故障
有构建和扩展大规模分布式系统的成功记录
具备AI训练、推理及数据基础设施服务经验
熟悉大型可观测性平台的运维（如ELK、Prometheus、Loki）
熟练掌握Python、C/C++及脚本语言
优秀的沟通协作能力，认同多元化、求知欲、解决问题及开放的企业文化
工作职责
为大规模AI、LLM和生成式AI基础设施开发软件及工具
开发并优化工具以提升基础设施的效率和韧性
对从应用层到硬件层的故障进行根因分析、排查与分级处理
增强支撑NVIDIA AI平台的基础设施与产品
协同设计并实现与NVIDIA韧性栈集成的API
定义有意义且可操作的可靠性指标，以跟踪和提升系统与服务的可靠性
具备出色的问题解决、根因分析和优化能力
优先资格
具有大规模AI集群工作经验
深入理解NVIDIA GPU及网络技术（RDMA、IB、NCCL）
熟悉深度学习框架内部机制（PyTorch、TensorFlow、JAX、Ray）
具备数据中心规模故障根因分析经验
扎实的软件设计与开发背景
AI 洞察
优缺点分析
优点
- 接触全球最前沿的AI大模型基础设施与GPU生态
- 技术栈深厚且具备行业标杆影响力
- 外企文化包容，重视技术深度与个人成长
- 年以上硬性年限门槛高，需具备极强的底层系统调试与分布式架构经验
- AI基础设施容错率低，对稳定性与性能优化要求极高
- 适合拥有扎实计算机基础、热衷于底层系统开发、追求技术深度且在大型分布式/AI项目中积累丰富实战经验的资深工程师
缺点 / 挑战
暂无明显挑战项
角色解读
- 可向首席架构师或技术专家方向发展，深耕AI基础设施领域
- 也可转向云原生架构或AI平台工程负责人，主导跨团队技术战略
- 负责构建和维护支撑大规模AI训练与推理的底层基础设施软件
- 开发与优化工具提升系统效率与稳定性
- 进行全链路故障排查与根因分析，保障高可用性
- 精通Python/C++编程与大规模分布式系统设计
- 掌握AI训练/推理框架底层原理及GPU网络通信协议
- 熟练运用ELK/Prometheus等可观测性工具进行性能调优与故障定位
申请策略
- 提前研究NVIDIA DGX Cloud技术白皮书
- 准备1-2个复杂系统故障排查的深度案例，面试中重点展示逻辑推导与闭环解决能力
- 突出大规模分布式系统构建经验、AI训练/推理平台优化案例
- 详细列出根因分析与性能调优的具体成果（如延迟降低、吞吐量提升数据）
- 深化PyTorch/TensorFlow底层机制学习
- 掌握RDMA/InfiniBand等高速网络协议
- 强化Linux内核级调试与可观测性平台建设能力
面试指南
- 采用STAR法则结构化回答
- 强调问题定位的层次化思维（从应用日志->系统指标->硬件状态）
- 突出量化结果与复盘改进机制
- 请分享一次你处理过的最复杂的分布式系统故障排查经历
- 如何设计高可用的AI训练基础设施？
- 面对GPU通信瓶颈（如NCCL报错），你的排查思路是什么？
- 复习操作系统、计算机网络与分布式一致性理论
- 梳理过往项目中的性能瓶颈优化路径
职位点评
薪资福利85
成长发展90
工作生活70
使命价值80
薪资福利
85较高
作为跨国巨头上市企业的资深技术岗，薪资福利体系完善且市场竞争力强，能较好满足求职者对薪酬回报与职业稳定性的诉求。
薪资信号偏高 (6.0千–10.0万/月)
成长发展
90较高
岗位直接对接前沿AI大模型基础设施研发，技术栈领先且团队注重学习与导师制，为技术人员提供极佳的成长土壤。
技术前沿前沿/新兴技术
技术栈Python、C/C++、LLM、GenAI、PyTorch、TensorFlow、JAX、Ray、RDMA、IB、NCCL、ELK、Prometheus、Loki
成长机会values learning and growth、support and mentorship needed to succeed、culture of blameless postmortems, iterative improvement
业务类型profit_center
工作生活
70中等
外企文化通常注重工作生活平衡，但AI基础设施岗位需保障高可用性，可能面临一定的线上值班压力；办公模式未明确说明，整体WLB预期中等偏上。
工作模式未明确
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值
80较高
致力于构建赋能全球AI研究与创新的底层算力底座，技术成果具有显著的行业推动力与社会正向价值。
行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号powers our innovative AI research、foster innovation、power the future of AI and data science、accelerate the next wave of artificial intelligence
创新程度积极采用新技术
英伟达 的其他在招职位
相似职位推荐
Watch Jobs